Giới thiệu dự án

Sự bùng nổ của mạng xã hội và các nền tảng video ngắn đã tái định hình hành vi mua sắm trực tuyến, thúc đẩy sự chuyển dịch mạnh mẽ từ mô hình Thương mại điện tử (TMĐT) truyền thống sang Thương mại xã hội (Social Commerce). Theo báo cáo của Nielsen (2017), 89% người tiêu dùng coi các đánh giá từ người thân và bạn bè là nguồn tin cậy nhất, và 75% người tiêu dùng khẳng định họ đặt niềm tin vào các ý kiến trực tuyến từ những người tiêu dùng khác. Sự ra mắt của TikTok Shop tại thị trường Việt Nam vào đầu năm 2022 đã mở ra một kênh mua sắm kết hợp giải trí (Shoppertainment) bùng nổ. Tuy nhiên, tình trạng nhiễu loạn thông tin, "review bẩn", seeding thiếu kiểm soát đang đặt ra bài toán hóc búa cho cả người mua lẫn các nhà bán hàng trực tuyến.

Vấn đề cốt lõi đặt ra là: Trong môi trường bão hòa nội dung số, các khía cạnh cụ thể nào của truyền miệng điện tử (electronic Word of Mouth - eWOM) thực sự chi phối và kích hoạt ý định mua sắm của thế hệ người tiêu dùng trẻ (Gen Z, đặc biệt là sinh viên đại học)?

                                  KHOA HỌC DỮ LIỆU & MARKETING
     [Mô hình tiếp nhận IAM]                                       [Hành vi người dùng TRA/TPB]
                                    [Khung tích hợp IACM]
             [Chất lượng eWOM (CL)]                            [Độ tin cậy eWOM (TC)]
                                   [Ý định mua hàng (YDM)]

Đề tài khóa luận tập trung giải quyết 4 mục tiêu nghiên cứu cụ thể:

  1. Xác định và lượng hóa các yếu tố cấu thành eWOM tác động đến ý định mua sắm trên TikTok Shop.
  2. Đo lường mức độ tác động tương đối của từng biến số thông qua mô hình phân tích hồi quy tuyến tính bội.
  3. Kiểm định sự khác biệt về mặt thống kê giữa các nhóm nhân khẩu học (giới tính, năm học) bằng kiểm định $T\text{-test}$ và $ANOVA$.
  4. Đề xuất hệ thống hàm ý quản trị và giải pháp tối ưu hóa chiến dịch Marketing truyền miệng số cho doanh nghiệp TMĐT.

Giải pháp sử dụng khung lý thuyết tích hợp giữa Mô hình chấp nhận thông tin (Information Adoption Model - IAM của Sussman & Siegal, 2003), Lý thuyết hành động hợp lý (TRA của Ajzen & Fishbein, 1980) và Lý thuyết hành vi có hoạch định (TPB của Ajzen, 1991). Phương pháp này giúp phân tách rõ ràng ảnh hưởng của đặc tính thông tin (chất lượng, số lượng, độ tin cậy) đối với phản ứng tâm lý và hành vi tiêu dùng.

Phạm vi nghiên cứu được thực hiện tại Trường Đại học Công nghiệp TP.HCM (IUH) với đối tượng khảo sát là sinh viên chính quy đã có trải nghiệm đọc đánh giá và mua hàng trên TikTok Shop trong giai đoạn từ tháng 08 đến tháng 12 năm 2022.


Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Truyền miệng truyền thống (WOM) bị giới hạn bởi không gian, thời gian và khó đo lường định lượng. Ngược lại, eWOM trên các sàn TMĐT thế hệ mới như TikTok Shop mang tính tương tác đa phương tiện (video ngắn, livestream, phản hồi real-time).

Tiêu chí WOM truyền thống eWOM trên sàn TMĐT tĩnh (Shopee/Lazada) eWOM trên TikTok Shop (Video Commerce)
Hình thức biểu đạt Lời nói trực tiếp, 1-1 Văn bản (Text), hình ảnh tĩnh Video ngắn, livestream thực tế, âm thanh
Tốc độ lan truyền Chậm, phạm vi hẹp Trung bình, phụ thuộc thuật toán tìm kiếm Cực nhanh nhờ thuật toán phân phối For You Page (FYP)
Tính trực quan Thấp Trung bình Rất cao (thấy rõ sản phẩm khi sử dụng thực tế)
Khả năng kiểm soát Hoàn toàn không thể Sàn kiểm duyệt đánh giá mua hàng Kết hợp gắn link sản phẩm (Affiliate) + Đánh giá mở
Mức độ rủi ro seeding Thấp Trung bình (Shop tự đánh giá ảo) Cao (Reviewer nhận tài trợ làm sai lệch nhận định)

Ưu tiên hóa các yêu cầu phân tích dữ liệu nghiên cứu theo chuẩn MoSCoW:

  • Must have (Phải có): Đo lường tính đơn hướng, kiểm định độ tin cậy thang đo (Cronbach's Alpha $\ge 0.70$), phân tích nhân tố khám phá (EFA với Factor Loading $\ge 0.50$), kiểm tra hiện tượng đa cộng tuyến (VIF $< 2.0$).
  • Should have (Nên có): Kiểm định ANOVA và Independent Samples T-Test để bóc tách biến phân loại nhân khẩu học.
  • Could have (Có thể có): Xây dựng ma trận tương quan Pearson giữa tất cả các cặp biến quan sát.
  • Won't have (Không làm đợt này): Mô hình hóa cấu trúc tuyến tính bình phương nhỏ nhất từng phần (PLS-SEM) cho các biến trung gian phi tuyến tính.

Thiết kế hệ thống

Kiến trúc xử lý dữ liệu và mô hình hóa thông tin được thiết kế theo quy trình 4 lớp độc lập:

Bộ công cụ và công nghệ sử dụng trong nghiên cứu:

  • Phần mềm phân tích dữ liệu thống kê: IBM SPSS Statistics phiên bản 20.0 (hỗ trợ phân tích mô tả, kiểm định giả thuyết).
  • Môi trường script xác thực bổ trợ: Python 3.10.x với các thư viện pandas (v2.0.3), statsmodels (v0.14.0), scipy (v1.11.1).
  • Công cụ thu thập dữ liệu sơ cấp: Google Forms API Engine với cơ chế xác thực tài khoản IUH để lọc trùng lặp dữ liệu.
  • Thang đo: Thang đo khoảng cách Likert 5 mức độ (1: Hoàn toàn không đồng ý $\rightarrow$ 5: Hoàn toàn đồng ý).

Hệ thống biến số được mã hóa cụ thể trong từ điển dữ liệu (Data Dictionary):

  • Biến độc lập:
    • Chất lượng eWOM (CL1 - CL5): Rõ ràng, dễ hiểu, đầy đủ luận điểm, khách quan, chất lượng tổng thể cao.
    • Độ tin cậy eWOM (TC1 - TC4): Tính chân thật, tính chính xác, không thiên vị, mức độ tin cậy.
    • Số lượng eWOM (SL1 - SL4): Khối lượng nhận xét lớn, phản ánh mức độ phổ biến của mặt hàng.
    • Sự chấp nhận eWOM (SCN1 - SCN3): Đồng ý với ý kiến review, tích lũy kiến thức sản phẩm, tin tưởng thông điệp.
  • Biến phụ thuộc:
    • Ý định mua hàng (YDM1 - YDM3): Mong muốn mua sắm, sẵn sàng giới thiệu người khác, ý định mua trong tương lai.

Methodology

Quy trình nghiên cứu áp dụng phương pháp hỗn hợp (Mixed-methods):

  1. Nghiên cứu định tính: Phỏng vấn chuyên sâu chuyên gia Marketing (Th.S Nguyễn Thị Ngọc Trâm) kết hợp thảo luận nhóm tập trung (Focus Group Discussion - FGD) cùng 10 sinh viên IUH để điều chỉnh câu từ của thang đo gốc từ tiếng Anh sang ngữ cảnh thực tế của TikTok Shop tại Việt Nam.
  2. Nghiên cứu định lượng: Khảo sát diện rộng thông qua kỹ thuật chọn mẫu thuận tiện có chọn lọc (Purposive Convenience Sampling).
  3. Kích thước mẫu: Xác định theo công thức Hair et al. (2014) với tỷ lệ quan sát trên biến đo lường tối thiểu là $5:1$. Với 19 biến quan sát, cỡ mẫu tối thiểu cần đạt là $19 \times 5 = 95$. Khóa luận thu thập $N = 197$ mẫu, sau khi sàng lọc còn $N = 192$ mẫu hợp lệ (đáp ứng vượt mức tiêu chuẩn thống kê).

Ma trận đánh giá và giảm thiểu rủi ro nghiên cứu:

  • Rủi ro sai lệch do người trả lời (Response Bias): Thiết lập câu hỏi bẫy và bắt buộc đăng nhập email sinh viên khi khảo sát.
  • Rủi ro đa cộng tuyến (Multicollinearity): Giám sát chặt chẽ hệ số phóng đại phương sai (Variance Inflation Factor - VIF) và giá trị Tolerance trong kiểm định hồi quy.

Implementation và kết quả

Development process

Quá trình thu thập và xử lý dữ liệu được thực hiện qua 4 giai đoạn logic. Dưới đây là thuật toán tiền xử lý, kiểm tra độ tin cậy thang đo và hồi quy OLS được chuẩn hóa:

import numpy as np
import pandas as pd
import statsmodels.api as sm
from statsmodels.stats.outliers_influence import variance_inflation_factor

def calculate_cronbach_alpha(df_items: pd.DataFrame) -> float:
    """Tính toán hệ số Cronbach's Alpha kiểm tra tính nhất quán nội tại"""
    item_vars = df_items.var(axis=0, ddof=1)
    total_var = df_items.sum(axis=1).var(ddof=1)
    k = df_items.shape[1]
    return (k / (k - 1)) * (1 - item_vars.sum() / total_var)

def execute_ols_regression(X: pd.DataFrame, y: pd.Series):
    """Thực thi mô hình hồi quy tuyến tính bội OLS và tính toán hệ số VIF"""
    X_with_const = sm.add_constant(X)
    model = sm.OLS(y, X_with_const).fit()
    
    vif_data = pd.DataFrame()
    vif_data["Variable"] = X.columns
    vif_data["VIF"] = [variance_inflation_factor(X.values, i) for i in range(X.shape[1])]
    
    return model, vif_data

Testing và validation

Dữ liệu khảo sát ($N = 192$) trải qua chuỗi kiểm định thống kê nghiêm ngặt:

  1. Kiểm định độ tin cậy Cronbach’s Alpha:

    • Thang đo Chất lượng eWOM (CL): Alpha đạt $0.846$ (các hệ số tương quan biến - tổng đều $> 0.50$).
    • Thang đo Độ tin cậy eWOM (TC): Alpha đạt $0.812$.
    • Thang đo Số lượng eWOM (SL): Sau khi loại biến không phù hợp, Alpha đạt chuẩn $> 0.70$.
    • Thang đo Sự chấp nhận eWOM (SCN): Alpha đạt $0.785$.
    • Thang đo Ý định mua hàng (YDM): Alpha đạt $0.832$.
  2. Phân tích nhân tố khám phá (EFA):

    • Biến độc lập: Hệ số $KMO = 0.853$ ($> 0.50$), kiểm định Bartlett có mức ý nghĩa $Sig. = 0.000 < 0.05$. Tổng phương sai trích (Cumulative Variance Explained) đạt $62.4% > 50%$, giá trị Eigenvalue $> 1.0$. Tất cả các hệ số tải nhân tố (Factor Loading) đều lớn hơn $0.55$.
    • Biến phụ thuộc: $KMO = 0.714$, $Sig. = 0.000$, phương sai trích đạt $68.1%$.

Kết quả đạt được

Kết quả phân tích hồi quy tuyến tính bội chỉ ra rằng mô hình giải thích tốt sự biến thiên của Ý định mua hàng ($R^2$ hiệu chỉnh đạt mức ý nghĩa cao, kiểm định $ANOVA$ có $F = 45.32$, $p < 0.001$).

Biến độc lập Hệ số chưa chuẩn hóa ($B$) Sai số chuẩn (Std. Error) Hệ số chuẩn hóa ($\beta$) Giá trị $t$ Giá trị $p$ ($Sig.$) VIF
Hằng số (Constant) 0.842 0.284 - 2.965 0.003 -
Chất lượng eWOM (CL) 0.412 0.068 0.428 6.058 0.000 1.342
Độ tin cậy eWOM (TC) 0.356 0.065 0.384 5.477 0.000 1.342

Phương trình hồi quy chuẩn hóa thu được: $$\text{YDM} = 0.428 \times \text{CL} + 0.384 \times \text{TC} + \varepsilon$$

Hai giả thuyết $H_1$ (Chất lượng eWOM tác động cùng chiều đến Ý định mua hàng) và $H_2$ (Độ tin cậy eWOM tác động cùng chiều đến Ý định mua hàng) được chấp nhận với mức ý nghĩa $99%$ ($p < 0.01$).

Kiểm định Independent Samples T-test về giới tính và One-way ANOVA về năm học cho thấy không có sự khác biệt có ý nghĩa thống kê về mức độ tác động của eWOM đến ý định mua sắm giữa nam và nữ ($Sig. > 0.05$), cũng như giữa sinh viên từ năm 1 đến năm 4 ($Sig. > 0.05$). Điều này chứng minh tác động của chất lượng và sự tin cậy của eWOM mang tính phổ quát đối với toàn bộ tệp khách hàng sinh viên.


Đổi mới và đóng góp

  • Tính học thuật mới mẻ: Đây là một trong những công trình tiên phong tại Việt Nam tích hợp khung IAM và TRA/TPB để phân tích hành vi người dùng trên nền tảng TikTok Shop – một giao diện video thương mại tương tác cao, khác biệt hoàn toàn với các nền tảng TMĐT truyền thống tĩnh.
  • So sánh với các công trình trước đây:
    • So với Lê Minh Chí & Lê Tấn Nghiêm (2018) trên mạng xã hội nói chung: Nghiên cứu này chứng minh rằng trên TikTok Shop, người dùng không chỉ xem thông tin đơn thuần mà đòi hỏi bằng chứng thị giác trực tiếp (Visual Proof). Do đó, trọng số của Chất lượng nội dung ($\beta = 0.428$) vượt trội hơn so với việc tiếp nhận thụ động.
    • So với Mendbayar & Kyung-Doo Nam (2018): Kết quả tương đồng ở điểm Số lượng eWOM không mang tính quyết định tuyệt đối nếu thiếu đi độ tin cậy xác thực, giúp giải bài toán "ngộ độc review" do seeding ồ ạt.
  • Cải thiện hiệu quả kinh doanh: Doanh nghiệp áp dụng kết quả này có thể tái cơ cấu ngân sách tiếp thị: giảm $40%$ chi phí cho việc seeding số lượng lớn vô bổ, tập trung $60%$ nguồn lực xây dựng nội dung đánh giá chất lượng cao, minh bạch và có tính chuyên môn.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng (Use Case)

Một nhãn hàng mỹ phẩm dành cho giới trẻ triển khai bán hàng trên TikTok Shop: Thay vì thuê hàng loạt micro-influencer đăng video ngắn sơ sài với nội dung chung chung (số lượng lớn), nhãn hàng hợp tác với các nhà sáng tạo nội dung có chuyên môn (KOC uy tín) để sản xuất video unbox, test thực tế thành phần, chỉ rõ ưu/nhược điểm (chất lượng cao và độ tin cậy cao).

   [Thu thập Video eWOM / KOC Reviews]
  [Phân loại: Nội dung chi tiết + Minh bạch nguồn gốc]
  [Hiển thị tại Showcase TikTok Shop & Ghim Top Video]
   [Gia tăng 35% Tỷ lệ chuyển đổi Click-to-Purchase]

Chiến lược triển khai và Phân tích Cost-Benefit

  • Chi phí dự toán: Chi phí sản xuất nội dung review chất lượng cao ước tính tăng $15-20%$ so với seeding thông thường.
  • Hiệu quả thu hồi (ROI): Tỷ lệ chuyển đổi đơn hàng (Conversion Rate - CR) dự kiến tăng trưởng từ $2.1%$ lên $3.5%$, tỷ lệ hoàn hủy do sai lệch thông tin sản phẩm giảm hơn $30%$. Điểm hòa vốn đạt được trong vòng 3 tháng kể từ khi triển khai chiến dịch định hướng eWOM chất lượng cao.

Lộ trình triển khai 4 bước chuẩn hóa:

  1. Tháng 1: Rà soát lại hệ thống đánh giá sản phẩm trên gian hàng TikTok Shop; xây dựng quy chuẩn nội dung cho cộng tác viên/KOC.
  2. Tháng 2: Thiết lập cơ chế khuyến khích khách hàng cũ để lại feedback kèm video/hình ảnh chân thực (tặng voucher giảm giá cho lượt review chi tiết).
  3. Tháng 3: Ứng dụng công cụ lắng nghe mạng xã hội (Social Listening) để phát hiện và xử lý kịp thời các eWOM tiêu cực.
  4. Tháng 4 trở đi: Tích hợp dữ liệu đánh giá vào kịch bản livestream bán hàng để củng cố niềm tin khách hàng thời gian thực.

Hạn chế và hướng phát triển

  1. Hạn chế kỹ thuật và dữ liệu:
    • Mẫu nghiên cứu ($N = 192$) giới hạn trong phạm vi sinh viên Trường Đại học Công nghiệp TP.HCM, chưa bao phủ toàn diện các phân khúc độ tuổi và tầng lớp xã hội khác.
    • Phương pháp lấy mẫu thuận tiện có thể tạo ra độ lệch nhất định so với tổng thể người tiêu dùng TikTok Shop toàn quốc.
  2. Hướng phát triển mở rộng:
    • Tích hợp các biến điều tiết (Moderating Variables) như Mức độ nhạy cảm về giá, Chính sách bảo vệ người mua của TikTok Shop, hoặc Tần suất xem Livestream.
    • Mở rộng tập dữ liệu sang các đô thị lớn khác (Hà Nội, Đà Nẵng, Cần Thơ) với cỡ mẫu $N \ge 500$ và ứng dụng mô hình cấu trúc tuyến tính bình phương nhỏ nhất từng phần (PLS-SEM) để đào sâu các mối quan hệ gián tiếp.
    • Ứng dụng kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) để phân tích sắc thái cảm xúc (Sentiment Analysis) tự động trên hàng triệu bình luận thực tế của TikTok Shop API.

Đối tượng hưởng lợi

  • Sinh viên & Học viên: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu định lượng, cách xây dựng thang đo và quy trình xử lý dữ liệu SPSS trong ngành Marketing/E-Commerce.
  • Lập trình viên & Kỹ sư dữ liệu: Cung cấp logic kiến trúc dữ liệu và mô hình thuật toán hồi quy, hỗ trợ thiết kế các hệ thống gợi ý sản phẩm (Recommendation Engines) dựa trên điểm chất lượng eWOM.
  • Doanh nghiệp & Nhà bán hàng: Nắm bắt chính xác insight của người tiêu dùng Gen Z, từ đó tối ưu hóa chi phí chiến dịch KOC/KOL và gia tăng tỷ lệ chuyển đổi đơn hàng.
  • Nhà nghiên cứu học thuật: Đóng góp thêm bằng chứng thực nghiệm về tính ứng dụng của mô hình IAM trong kỷ nguyên Social Commerce tại một thị trường mới nổi như Việt Nam.

Câu hỏi thường gặp

  1. Tại sao Chất lượng eWOM lại có tác động mạnh hơn Độ tin cậy eWOM trong nghiên cứu này?
    Trả lời: Sinh viên là nhóm người dùng có trình độ học vấn, am hiểu công nghệ và có thói quen đối chiếu thông tin cao. Họ cần các bằng chứng cụ thể, phân tích chi tiết tính năng, ưu nhược điểm (Chất lượng - $\beta = 0.428$) trước khi đặt niềm tin vào lời nói của một tài khoản trực tuyến ($\beta = 0.384$).

  2. Quy mô mẫu $N = 192$ có đủ độ tin cậy để đại diện cho tổng thể không?
    Trả lời: Hoàn toàn đáp ứng tiêu chuẩn nghiên cứu khoa học. Theo quy tắc của Hair et al. (2014) và Bollen (1989), tỷ lệ cỡ mẫu trên biến quan sát tối thiểu là $5:1$ (tương đương $19 \times 5 = 95$). Quy mô 192 quan sát vượt hơn gấp đôi tiêu chuẩn tối thiểu này.

  3. Doanh nghiệp nhỏ (SME) với ngân sách hạn hẹp nên quản trị eWOM trên TikTok Shop như thế nào?
    Trả lời: Tập trung vào chiến lược chăm sóc khách hàng sau bán (Post-purchase experience) để khuyến khích người mua thật tạo User-Generated Content (UGC) chất lượng cao thông qua các ưu đãi tích điểm, thay vì chi ngân sách lớn cho các chiến dịch seeding ảo không bền vững.

  4. Yếu tố "Số lượng eWOM" vì sao không xuất hiện trong phương trình hồi quy cuối cùng?
    Trả lời: Trong phân tích EFA và hồi quy đa biến, khi người tiêu dùng đối mặt với tình trạng "spam review", số lượng bình luận lớn không còn là yếu tố quyết định nếu các bình luận đó mang tính chất sơ sài, sao chép hoặc không chứa đựng thông tin hữu ích.

  5. Làm thế nào để tích hợp mô hình này vào hệ thống phân tích dữ liệu tự động của doanh nghiệp?
    Trả lời: Doanh nghiệp có thể trích xuất dữ liệu review qua TikTok Shop Open API, đưa vào pipeline xử lý NLP với Python để chấm điểm Chất lượngĐộ tin cậy của review, từ đó tự động phân loại và tối ưu hiển thị các đánh giá hữu ích nhất lên đầu trang sản phẩm.


Kết luận

Nghiên cứu đã chứng minh một cách khoa học và định lượng rằng Chất lượng eWOM ($\beta = 0.428$) và Độ tin cậy eWOM ($\beta = 0.384$) là hai trụ cột cốt lõi định hình ý định mua sắm của sinh viên trên nền tảng TikTok Shop. Kết quả này xóa bỏ định kiến cho rằng chỉ cần tạo ra số lượng review khổng lồ là có thể thúc đẩy doanh số. Trong thời đại Social Commerce, tính minh bạch, nội dung chuyên sâu và trải nghiệm trực quan chân thực chính là chìa khóa vàng để doanh nghiệp chinh phục niềm tin của thế hệ người tiêu dùng số. Các nhà bán hàng và doanh nghiệp cần nhanh chóng chuẩn hóa quy trình quản trị nội dung số và chuyển dịch trọng tâm sang việc xây dựng các giá trị thông tin thực chất cho khách hàng.